混合气体识别方法、装置、计算机设备和存储介质制造方法及图纸

本发明专利技术适用于计算机技术领域，提供了一种混合气体识别方法、装置、计算机设备和存储介质，所述方法包括：获取传感器阵列中各传感器对混合气体的响应信号强度；根据响应信号强度确定混合气体的初始向量；基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量；根据预先基于最近邻算法训练生成的混合气体种类识别模型以及所述特征向量，确定所述混合气体中各气体的种类。本发明专利技术实施例提供的方法，先通过核主成分分析算法提取混合气体的特征向量，能够有效降低计算量，从而提高了效率，此外，基于最近邻算法利用大量样本训练生成的混合气体种类识别模型对识别气体种类的准确率更高。

Mixed gas identification method, device, computer equipment and storage medium

【技术实现步骤摘要】
混合气体识别方法、装置、计算机设备和存储介质
本专利技术属于计算机
，尤其涉及一种混合气体识别方法、装置、计算机设备和存储介质。
技术介绍
如今传感器技术不断完善，促进了人工嗅觉的发展。人工嗅觉是一种仿生检测技术，利用一系列电子设备模拟嗅觉系统，该系统广泛应用于气体定性识别与定量检测。然而，目前的人工嗅觉系统对多元气体识别效率较低。现有的人工嗅觉系统常用的气体识别方法有两种：主成分分析与神经网络混合算法、独立成分分析与支持向量机混合算法。若利用主成分分析与神经网络混合算法进行气体识别时，在将最佳特征参数进行组合的过程中，需要大量学习过程，对样本数据集的数量要求高。若利用独立成分分析与支持向量机混合算法进行气体识别时，一方面提取的特征是线性的，对于非线性特征数据集结构不在同一平面，导致识别准确率不高，另一方面，随着训练样本数量的增长，支持向量的数量也逐渐增加，模型稀疏度降低，为了获取更好的识别率，需要对参数进行进一步优化，大大增加了计算量。可见，现有的人工嗅觉系统所采用的气体识别方法还存在着无法在保证较高的识别效率的同时，还能拥有较高的识别准确率的技术问题。
技术实现思路
本专利技术实施例的目的在于提供一种混合气体识别方法、装置、计算机设备和存储介质，旨在解决现有的人工嗅觉系统所采用的气体识别方法还存在的无法在保证较高的识别效率的同时，还能拥有较高的识别准确率的技术问题。本专利技术实施例是这样实现的，一种混合气体识别方法，包括：获取传感器阵列中各传感器对混合气体的响应信号强度，所述传感器阵列由多种传感器构成，且每种传感器至少设置一个；根据所述各传感器对混合气体的响应信号强度确定混合气体的初始向量；基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量；根据预先基于最近邻算法训练生成的混合气体种类识别模型以及所述混合气体的特征向量，确定所述混合气体中各气体的种类。本专利技术实施例的另一目的在于提供一种混合气体识别装置，包括：相应信号强度获取单元，用于获取传感器阵列中各传感器对混合气体的响应信号强度，所述传感器阵列由多种传感器构成，且每种传感器至少设置一个；初始向量确定单元，用于根据所述各传感器对混合气体的响应信号强度确定混合气体的初始向量；特征向量提取单元，用于基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量；混合气体种类确定单元，用于根据预先基于最近邻算法训练生成的混合气体种类识别模型以及所述混合气体的特征向量，确定所述混合气体中各气体的种类。本专利技术实施例的另一目的在于提供一种计算机设备，包括存储器和处理器，所述存储器中存储有计算机程序，所述计算机程序被所述处理器执行时，使得所述处理器上述所述混合气体识别方法的步骤本专利技术实施例的另一目的在于提供一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时，使得所述处理器执行上述所述混合气体识别方法的步骤。本专利技术实施例提供的混合气体识别方法，通过在获取个传感器混合气体的响应信号强度后，确定混合气体的初始向量，并基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量，然后根据所述混合气体的特征向量以及预先基于最近邻算法训练生成的混合气体种类识别模型，直接确定所述混合气体中各气体的种类。本专利技术实施例提供的混合气体识别方法，利用核主成分分析算法，能够从所述混合气体的初始向量中提取混合气体的特征向量，将高维非线性初始向量转化为低维线性特征向量，维度降低，使得计算量大大降低，有效的提高了气体识别的效率，并进一步配合基于最近邻算法训练生成的混合气体种类识别模型，能够准确确定混合气体中各气体的种类，有效地提高了气体是别的准确率。附图说明图1为本专利技术实施例提供的混合气体识别方法的应用环境图；图2为本专利技术实施例提供的一种混合气体识别方法的步骤流程图；图3为本专利技术实施例提供的另一种混合气体识别方法的步骤流程图；图4为本专利技术实施例提供的一种基于核主成分分析算法提取特征向量方法的步骤流程图；图5为本专利技术实施例提供的一种基于最近邻算法确定气体种类方法的步骤流程图；图6为本专利技术实施例提供的一种训练生成基于多变量相关向量机算法的混合气体浓度识别模型方法的步骤流程图；图7为本专利技术实施例提供的一种混合气体识别装置的结构框图；图8为本专利技术实施例提供的另一种混合气体识别装置的结构框图；图9为本专利技术实施例提供的混合气体识别装置中的特征向量提取单元的结构框图。具体实施方式为了使本专利技术的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本专利技术进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本专利技术，并不用于限定本专利技术。图1为本专利技术实施例提供的混合气体识别方法的应用环境图，如图1所示，提供了一种人工嗅觉系统，其中所述混合气体识别方法是作为程序安装在与PXI箱通过PXI总线连接的终端上。在本专利技术实施例中，混合气体注入到箱内后，气体传感器阵列采集气体的响应信号强度并传输给PXI(PCIextensionsforInstrumentation，面向仪器系统的PCI扩展)箱，并进一步通过PXI总线传输给终端，终端采集到气体传感器阵列采集的气体的响应信号强度后，执行气体识别程序，即利用采集的气体的响应信号强度识别出混合气体的种类。作为本专利技术的一个优选实施例，考虑到传感器的响应特性易受温度和湿度影响，采用风扇与加湿器保证了环境的恒湿与恒温条件，以进行信号采集，其中温度条件控制在15℃，湿度条件控制在20％。如图2所示，在一个实施例中，提出了一种混合气体识别方法，本实施例主要以该方法应用于上述图1中的终端来举例说明，具体可以包括以下步骤：步骤S202，获取传感器阵列中各传感器对混合气体的响应信号强度。在本专利技术实施例中，所述传感器阵列由多种传感器构成，且每种传感器至少设置一个。作为本专利技术的一种优选实施例，所述传感器阵列由5种传感器构成，每种传感器设置4个，确保传感器阵列的容错力。步骤S204，根据所述各传感器对混合气体的响应信号强度确定混合气体的初始向量。在本专利技术实施例中，按照预设的规则将各传感器对混合气体的响应信号强度排列即可构成向量，需要注意的是，在规则设定后，后续每一次确定混合气体的初始向量均是按照同样的规则对混合气体的响应信号强度进行排序生成的。步骤S206，基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量。在本专利技术实施例中，由于混合气体的初始向量一般是高维的，在后续的处理过程中，计算量大，导致效率偏低，而核主成分分析算法能够将高维向量处理生成低维向量，并且能够最大限度的保留高维向量的特征信息，即在不损失过多特征信息的同时，降低了混合气体向量的维度，即降低了计算量，提高了效率。在本专利技术实施例中，所述基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量的具体步骤请参阅图4及其解释说明。步骤S208，根据预先基于最近邻算法训练生成的混合气体种类识别模型以及所述混合气体的特征向量，确定所述混合气体中各气体的种类。在本专利技术实施例中，将混合气体的特征向量输入至基于最近邻算法训练生成的混合气体种类识别模型，能够自动根据混合气体的特征向量确定混合气体中各气体的种类，具体的步骤本文档来自技高网...

【技术保护点】
1.一种混合气体识别方法，其特征在于，包括：获取传感器阵列中各传感器对混合气体的响应信号强度，所述传感器阵列由多种传感器构成，且每种传感器至少设置一个；根据所述各传感器对混合气体的响应信号强度确定混合气体的初始向量；基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量；根据预先基于最近邻算法训练生成的混合气体种类识别模型以及所述混合气体的特征向量，确定所述混合气体中各气体的种类。

【技术特征摘要】
1.一种混合气体识别方法，其特征在于，包括：获取传感器阵列中各传感器对混合气体的响应信号强度，所述传感器阵列由多种传感器构成，且每种传感器至少设置一个；根据所述各传感器对混合气体的响应信号强度确定混合气体的初始向量；基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量；根据预先基于最近邻算法训练生成的混合气体种类识别模型以及所述混合气体的特征向量，确定所述混合气体中各气体的种类。2.根据权利要求1所述的混合气体识别方法，其特征在于，还包括：根据预先基于多变量相关向量机算法训练生成的混合气体浓度识别模型以及所述混合气体的特征向量，直接确定所述混合气体中各种类气体的浓度。3.根据权利要求1所述的混合气体识别方法，其特征在于，所述基于核主成分分析算法，从所述混合气体的初始向量中提取混合气体的特征向量的步骤具体包括：基于预设的核函数对所述混合气体的初始向量进行映射处理，生成混合气体的高维线性可分向量；对混合气体的高维线性可分向量进行中心化处理；计算中心化处理后的混合气体的高维线性可分向量的协方差矩阵；计算所述混合气体的高维线性可分向量的协方差矩阵的特征值以及与各特征值对应的特征向量；计算各特征值的核主成分贡献率；将各特征值的核主成分贡献率从大至小依次进行累加，直至累加的核主成分贡献率的和大于预设的阈值；确定与参与累加的各核主成分贡献率所对应的多个特征值；标准化处理与所述多个特征值对应的多个特征向量，并生成特征向量矩阵；根据所述特征向量矩阵对所述混合气体的高维线性可分向量进行降维处理，生成混合气体的低维线性可分向量，所述混合气体的低维线性可分向量即为混合气体的特征向量。4.根据权利要求1所述的混合气体识别方法，其特征在于，所述根据预先基于最近邻算法训练生成的混合气体种类识别模型以及所述混合气体的特征向量，确定所述混合气体中各气体的种类的步骤具体包括：计算所述混合气体的特征向量与所述混合气体种类识别模型中多个气体种类已知的混合气体样本的特征向量的欧氏距离；根据所述混合气体的特征向量与各个混合气体样本的特征向量的欧氏距离确定混合气体与各个混合气体样本的相似度；根据所述相似度确定与所述混合气体最相似的至少一个混合气体样本；根据所述至少一个混合气体样本的气体种类确定所述混合气体中各气体的种类。5.根据权利要求2所述的混合气体识别方法，其特征在于，生成所述根据预先基于多变量相关向量机算法训练生成的混合气体浓度识别模型的步骤具体包括：获取多个已知气体浓度的混合气体训练样本；获取传感器阵列对各混合气体训练样本的响应信号强度；根据各混合气体训练样本的响应信号强度确定各混合气体训练样本的特征向量；基于多变量相关向量机算法建立含有可变参数的初始化的混合气体浓度识别模型；根据所述特征向量以及所述混合气体浓度识别模型确定各混合气体训练样本的响应气体浓度；判断各混合气体训练样本的响应气体浓度与真实气体浓度的差值是否满足预设的条...

【专利技术属性】
技术研发人员：陈巍，陈丝雨，
申请(专利权)人：南京工程学院，同济大学，
类型：发明
国别省市：江苏,32